ChatGPT et DeepSeek : quel est vraiment l’impact écologique d’une simple requête ?

Chaque message envoyé à une intelligence artificielle conversationnelle paraît immatériel. Pourtant, derrière une question posée à ChatGPT ou DeepSeek, des processeurs exécutent une grande quantité de calculs dans des centres de données. Ces infrastructures ont besoin d’électricité pour fonctionner et, selon leur conception, d’eau pour participer au refroidissement des équipements. À l’ouverture du sommet pour l’action sur l’IA à Paris, les 10 et 11 février 2025, l’empreinte environnementale de ces usages s’impose comme l’un des sujets les plus difficiles à chiffrer et les plus importants à rendre visibles.

L’image d’une lampe laissée allumée pendant plusieurs heures traduit une préoccupation légitime, mais elle ne constitue pas une mesure universelle. Il n’existe pas une consommation fixe pour « une question à l’IA ». La demande formulée, la longueur de la réponse, le modèle choisi, le matériel utilisé, le lieu du centre de données et la manière dont l’électricité est produite modifient tous le résultat. En revanche, un constat fait consensus : l’essor de l’IA générative déplace une part croissante de nos usages numériques vers des calculs particulièrement intensifs.

Pourquoi une requête à une IA consomme-t-elle de l’énergie ?

Un moteur de recherche traditionnel trouve et classe des pages déjà présentes sur le Web. Un agent conversationnel, lui, doit généralement produire son texte mot après mot. Pour y parvenir, il s’appuie sur un grand modèle de langage, entraîné à repérer des régularités dans d’immenses quantités de textes. Lorsqu’un utilisateur envoie une consigne, le système transforme cette phrase en données, les fait circuler dans des puces spécialisées, puis calcule les mots les plus plausibles pour composer une réponse.

Cette phase d’utilisation est appelée l’inférence. Elle est distincte de l’entraînement, période beaucoup plus lourde durant laquelle le modèle apprend à partir de vastes jeux de données. Mais l’inférence n’est pas négligeable : un assistant populaire peut recevoir des millions de demandes. Même si une interaction isolée paraît modeste, leur répétition à très grande échelle fait croître la consommation totale des centres de données.

L’Agence internationale de l’énergie, l’AIE, estime qu’une interrogation sur ChatGPT pourrait nécessiter au moins dix fois plus d’électricité qu’une recherche standard sur Google. Cette comparaison doit être lue comme un ordre de grandeur : elle ne permet pas d’attribuer un nombre identique de wattheures à tous les messages, ni de prédire l’impact de chaque conversation.

Une réponse longue, une demande qui déclenche plusieurs étapes de raisonnement ou la génération d’une image ont, en toute logique, besoin de davantage de calculs qu’une question brève. À l’inverse, une IA plus petite, un modèle optimisé ou une réponse volontairement concise peuvent réduire les ressources mobilisées.

Du modèle entraîné au message envoyé : deux impacts à distinguer

Le débat public se concentre souvent sur une question posée à un chatbot. Or, il faut considérer au moins deux étapes du cycle de vie : l’entraînement du modèle, réalisé en amont, et son exploitation quotidienne auprès des utilisateurs.

Une étude citée par MIT Technology Review a évalué l’entraînement de GPT-3 à 552 tonnes de CO₂, soit l’équivalent, selon la comparaison alors reprise, de 205 allers-retours entre Paris et New York. Ce chiffre illustre l’ampleur potentielle de la phase d’entraînement d’un grand modèle. Il ne signifie pas que chaque version ultérieure de ChatGPT possède exactement cette empreinte, ni qu’il est possible de diviser simplement ce total par le nombre de questions posées.

L’usage quotidien active quant à lui les serveurs en continu. Aux processeurs s’ajoutent les équipements de stockage, les réseaux et les systèmes de refroidissement. Les centres de données n’utilisent donc pas seulement de l’électricité. Ils peuvent aussi recourir à l’eau, notamment pour évacuer la chaleur dégagée par les machines. La quantité dépend des technologies de refroidissement et des conditions locales.

L’idée selon laquelle une requête équivaudrait systématiquement à une ampoule LED laissée allumée plusieurs heures est donc trop simplificatrice. Elle a le mérite de matérialiser un phénomène invisible, mais elle masque les écarts considérables entre les usages. Une comparaison responsable doit préciser l’appareil de référence, sa puissance, la durée retenue et la méthode de calcul.

Pourquoi est-il si difficile d’obtenir un chiffre précis ?

Les fournisseurs de modèles d’IA ne publient pas toujours les informations nécessaires à un calcul complet : nombre de puces mobilisées, durée d’exécution, consommation du centre de données, méthode de refroidissement ou mix électrique local. Les performances et les coûts énergétiques changent aussi au fil des mises à jour techniques.

Interrogé dans le cadre de la publication d’origine, ChatGPT indiquait : « Il est difficile de quantifier précisément mon empreinte carbone ». Cette prudence est justifiée sur le plan méthodologique. Sans données détaillées sur les infrastructures et sur le traitement effectif d’une requête, toute estimation ne peut être qu’une moyenne ou un ordre de grandeur.

Les développeurs de DeepSeek affirmaient pour leur part qu’« une requête simple consomme très peu d’énergie ». Là encore, la formulation appelle des précisions. Une requête peut être simple pour l’utilisateur tout en sollicitant un modèle de grande taille. Et « très peu » ne renseigne ni sur la consommation exacte, ni sur l’effet cumulé de millions ou de milliards d’interactions.

La transparence ne sert pas seulement à comparer les entreprises. Elle permettrait aussi aux utilisateurs, aux administrations et aux organisations de choisir un service adapté à un besoin réel. Sans données comparables, il est difficile de distinguer une amélioration d’efficacité tangible d’une simple promesse marketing.

Un écoscore pour l’IA peut-il éclairer les usages ?

Amélie Cordier, docteure en intelligence artificielle à l’université de Lyon, souligne l’intérêt d’outils tels que ComparIA pour rendre l’impact environnemental d’une requête plus concret. L’objectif n’est pas de culpabiliser chaque internaute pour une demande ponctuelle. Il est plutôt de rappeler qu’une interface très fluide repose sur une infrastructure physique, avec des serveurs, des réseaux, des bâtiments et des ressources énergétiques.

Un écoscore appliqué aux outils d’IA pourrait, en théorie, afficher des indicateurs compréhensibles avant ou après une interaction. Pour être utile, il devrait éviter les faux chiffres précis et reposer sur une méthode commune. Il faudrait notamment prendre en compte :

• l’énergie consommée pour l’entraînement et pour l’usage du modèle ;
• les émissions liées à l’électricité utilisée ;
• l’eau mobilisée pour le refroidissement lorsqu’elle est mesurable ;
• l’efficacité du matériel et du centre de données ;
• le niveau de transparence du fournisseur.

Un tel affichage soulèverait toutefois des questions complexes. Comment répartir l’empreinte de l’entraînement entre les utilisateurs ? Faut-il comparer un modèle de texte à un générateur d’images, dont les besoins ne sont pas les mêmes ? Comment actualiser l’indicateur si l’infrastructure change ? Ces difficultés ne rendent pas l’idée inutile : elles montrent qu’un score doit être conçu comme un outil d’information, pas comme une étiquette magique.

Comment utiliser ChatGPT ou DeepSeek de manière plus sobre ?

Réduire les interactions inutiles est une première piste accessible. DeepSeek recommande de privilégier des échanges « courts et ciblés ». Une demande bien formulée évite en effet les allers-retours, les reformulations répétées et la génération de longs textes dont seule une petite partie sera lue.

Concrètement, un usage plus attentif ne consiste pas à renoncer à l’IA dans toutes les situations. Il s’agit de l’employer lorsqu’elle apporte une valeur réelle : résumer un document long que l’on doit analyser, aider à structurer une idée, reformuler un texte, traduire un passage ou explorer des pistes. À l’inverse, solliciter un modèle pour produire en série des contenus jetables, pour répéter des recherches très simples ou pour obtenir des réponses inutilement longues augmente les calculs sans bénéfice évident.

Quelques réflexes peuvent aider :

• préciser dès le premier message le contexte, le format et la longueur attendue ;
• demander une réponse courte lorsque quelques lignes suffisent ;
• éviter de régénérer plusieurs fois la même réponse par simple curiosité ;
• choisir un moteur de recherche ou une source documentaire lorsque la question appelle seulement une information factuelle facilement vérifiable ;
• désactiver, lorsque c’est possible, les fonctions de génération d’images ou de contenus lourds dont on n’a pas besoin.

Ces gestes ont une portée individuelle limitée, mais ils répondent à un risque bien connu dans le numérique : l’effet rebond. Si les outils deviennent plus efficaces et moins coûteux à faire fonctionner, ils peuvent être utilisés beaucoup plus souvent. Le gain réalisé sur chaque requête risque alors d’être annulé, voire dépassé, par la hausse du volume total.

L’IA peut-elle aussi servir la transition écologique ?

L’intelligence artificielle ne se réduit pas aux assistants de rédaction ou aux générateurs d’images. Elle peut contribuer à optimiser certains systèmes : prévisions climatiques, gestion de ressources, organisation de réseaux énergétiques ou positionnement stratégique de panneaux solaires. Dans ces domaines, l’enjeu est de comparer l’énergie consommée par l’outil avec les économies ou les améliorations qu’il permet effectivement d’obtenir.

Il serait donc réducteur d’opposer une IA forcément néfaste à une IA forcément bénéfique pour l’environnement. La même technologie peut aider à mieux prévoir, à réduire certains gaspillages ou à accélérer la recherche, mais elle peut aussi alimenter la production massive de contenus et la croissance des infrastructures. Le bilan dépend des cas d’usage, du déploiement concret et de la façon dont les gains sont mesurés.

Ce qu’il faut surveiller après le sommet de Paris

Le sommet de Paris place la question de l’IA au cœur de choix industriels, sociaux et environnementaux. Pour les utilisateurs, le défi consiste à ne pas confondre la commodité d’un dialogue instantané avec l’absence de coût matériel. Pour les entreprises qui développent ces services, la priorité est de fournir des données plus précises sur leur consommation d’énergie, d’eau et leurs émissions.

La question centrale n’est pas de savoir si toute requête à ChatGPT ou DeepSeek doit être évitée. Elle est de déterminer quels usages justifient les ressources mobilisées, comment rendre les modèles et les centres de données plus efficaces, et comment empêcher l’explosion des volumes d’effacer les progrès techniques. Une information claire sur l’empreinte des services est une condition nécessaire pour que chacun, des concepteurs aux utilisateurs, puisse faire des choix éclairés.